使用ID3算法 构造决策树,怎么显示特征向量的重要程度,python实现
时间: 2024-01-09 12:03:48 浏览: 70
DecisionTree_taughtxpe_算法_python_决策树_
在Python中,可以使用Scikit-learn库中的DecisionTreeClassifier类来构建决策树并显示特征向量的重要程度。具体步骤如下:
1. 导入需要的库和数据集:
```
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
```
2. 构建决策树模型,并拟合数据集:
```
dtc = DecisionTreeClassifier()
dtc.fit(X, y)
```
3. 查看特征向量的重要程度:
```
importance = dtc.feature_importances_
print(importance)
```
其中,importance即为特征向量的重要程度,是一个数组,其大小与特征向量的维度相同。可以使用plt.bar()函数将其可视化:
```
import matplotlib.pyplot as plt
plt.bar(range(X.shape[1]), importance)
plt.show()
```
这样就可以显示特征向量的重要程度了,其中横坐标表示特征向量的维度,纵坐标表示重要程度。
阅读全文